基于智能优化方法的SVM电机故障诊断模型研究

发布时间：2018-06-14 13:42

  本文选题：支持向量机 + 粒子群优化算法　； 参考：《大连交通大学学报》2016年01期

【摘要】：为提高电机故障诊断的准确率和有效性,提出了基于智能优化算法的支持向量机电机故障诊断模型.首先采集交流电机不同位置上的振动加速度信号,使用小波包分析方法对所采集的振动加速度信号进行特征提取,将得到的能量比向量作为支持向量机故障诊断模型的输入,使用遗传算法、粒子群优化算法对支持向量机故障诊断模型进行参数优化并进行模型训练,在使用测试样本集对得到的两种故障诊断模型进行分析之后可以看出经过参数优化后的支持向量机模型提高了故障预测的准确率,并且粒子群优化方法具有比遗传算法更高的预测准确率,并极大地减小了优化时间及优化次数.
[Abstract]:In order to improve the accuracy and effectiveness of motor fault diagnosis, a support vector electromechanical fault diagnosis model based on intelligent optimization algorithm is proposed. Firstly, the vibration acceleration signals at different positions of AC motor are collected, and the vibration acceleration signals are extracted by wavelet packet analysis method, and the energy ratio vector is used as the input of the fault diagnosis model of support vector machine. The genetic algorithm and particle swarm optimization algorithm are used to optimize the parameters and train the support vector machine fault diagnosis model. After analyzing the two kinds of fault diagnosis models obtained by using the test sample set, we can see that the support vector machine model after parameter optimization improves the accuracy of fault prediction. Particle swarm optimization has higher prediction accuracy than genetic algorithm and greatly reduces the optimization time and times.
【作者单位】： 大连交通大学软件学院;
【基金】：国家自然科学基金资助项目(51475065) 人工智能四川省重点实验室基金资助项目(2014RYJ01) 过程装备与控制工程四川省高校重点实验室开放基金资助项目(2014RYJ01)
【分类号】：TP181;TM307.1

【参考文献】

相关硕士学位论文 前1条

1 陈兴辉;基于小波与支持向量机的滚动轴承故障诊断[D];太原理工大学;2006年

【共引文献】

相关期刊论文 前2条

1 王淑芳;于芙蓉;;LS-SVM在烟气轮机振动故障诊断中的应用研究[J];北京石油化工学院学报;2012年02期

2 王淑芳;;V参数SVM在烟气轮机故障诊断中的应用[J];现代电子技术;2012年05期

相关博士学位论文 前1条

1 肖金壮;机器人故障探测诊断与容错控制及实验研究[D];燕山大学;2010年

相关硕士学位论文 前10条

1 曾传华;基于颜色和纹理特征的竹条分级方法研究[D];华中农业大学;2010年

2 李健宝;基于非平稳信号处理的滚动轴承智能故障诊断方法研究[D];湖南工业大学;2010年

3 王磊;航空发动机燃调系统故障诊断[D];上海交通大学;2012年

4 田英;滚动轴承内圈故障劣化状态辨识的研究[D];太原理工大学;2008年

5 孟东东;基于虚拟仪器的采煤机故障诊断系统的研究[D];安徽理工大学;2009年

6 于芙蓉;基于支持向量机的烟气轮机故障诊断研究[D];北京化工大学;2009年

7 张田;基于基座多传感器信息融合的转子裂纹故障诊断[D];湖南科技大学;2010年

8 李秋瑞;基于近邻函数准则与支持向量机的滚动轴承故障诊断研究[D];电子科技大学;2010年

9 王刚;基于支持向量机的滚动轴承故障智能诊断研究[D];沈阳工业大学;2013年

10 隆军;1.5MW风力发电机组传动系统故障诊断[D];新疆大学;2013年

【二级参考文献】

相关期刊论文 前10条

1 王悦;人工神经网络在经济效益综合评价中的应用[J];北京广播电视大学学报;2002年03期

2 姜万录，孔祥东，，王益群;系统故障检测与诊断技术的研究动态[J];燕山大学学报;1999年02期

3 周东华,席裕庚,张钟俊;故障检测与诊断技术[J];控制理论与应用;1991年01期

4 张学工;关于统计学习理论与支持向量机[J];自动化学报;2000年01期

5 李晓峰,刘光中;人工神经网络BP算法的改进及其应用[J];四川大学学报(工程科学版);2000年02期

6 戴悟僧,朱常青,吴小滔,洪晓欧;连续小波变换在机械故障定位检测中的应用[J];上海第二工业大学学报;1997年01期

7 高良丽,钟建军,邢怡文;电机机械故障特性和诊断方法研究[J];沈阳工业大学学报;2002年01期

8 刘刚,屈梁生;机械信号连续小波系数的统计特征研究[J];西安交通大学学报;2002年03期

9 赵纪元,何正嘉,孟庆丰,卢秉恒;小波包模糊聚类网络研究及应用[J];西安交通大学学报;1998年02期

10 吴勉,邵惠鹤;基于时频分析与神经网络的实时智能故障诊断系统的软件设计——总体构架与实时数据采集功能的开发[J];系统仿真学报;2001年S1期

相关博士学位论文 前1条

1 魏云冰;小波变换在电机故障诊断与测试中的应用研究[D];浙江大学;2002年

【相似文献】

相关期刊论文 前10条

1 黄允凯,梁国栋,王刘芳,李伟,马宏忠,胡虔生;利用时频信息进行电机故障诊断[J];大电机技术;2002年02期

2 王智堂;电机故障诊断探讨[J];设备管理与维修;2005年07期

3 陈理渊,黄进;电机故障诊断的多传感器数据融合方法[J];电力系统及其自动化学报;2005年01期

4 付茂生;;电机故障诊断探讨[J];电站系统工程;2006年06期

5 叶银忠;朱建山;;电机故障诊断实验系统的开发[J];控制工程;2007年S3期

6 周浔;任锐;;基于模糊理论的多传感器信息融合技术在电机故障诊断中的应用[J];车辆与动力技术;2008年04期

7 孙向作;潘宏侠;;基于多传感器数据融合的电机故障诊断[J];微计算机信息;2008年25期

8 魏伟;王琳;;电机故障诊断技术研究现状与发展趋势[J];微电机;2009年10期

9 王海铭;;状态检测与故障诊断技术在大型电机故障诊断中的应用[J];机电信息;2011年18期

10 黄河;;电机故障诊断的仿真研究[J];计算机仿真;2011年09期

相关会议论文 前6条

1 张松涛;上官璇峰;田小涛;;基于证据理论的电机故障诊断研究[A];第六届全国信息获取与处理学术会议论文集（3）[C];2008年

2 曹建伟;;电流诊断法在电机故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

3 冯辅周;郭恒毅;江鹏程;;支持向量机及其在电机故障诊断中的应用[A];第九届全国振动理论及应用学术会议论文集[C];2007年

4 冯辅周;郭恒毅;江鹏程;;支持向量机及其在电机故障诊断中的应用[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

5 林秀全;;振动测量分析在电机故障诊断中应用[A];第十届全国振动理论及应用学术会议论文集（2011）上册[C];2011年

6 赵茜;武玉才;冯文宗;;基于变尺度混沌聚类和特征融合的发电机故障诊断[A];2013年中国电机工程学会年会论文集[C];2013年

相关博士学位论文 前1条

1 陈理渊;多传感器数据融合及其在电机故障诊断中的应用研究[D];浙江大学;2005年

相关硕士学位论文 前10条

1 高媛媛;多源信息融合技术在电机故障诊断中的应用研究[D];沈阳工业大学;2009年

2 李晓华;基于小波分析和支持向量机的电机故障诊断研究[D];中北大学;2010年

3 朱文;基于神经网络专家系统的电机故障诊断研究[D];天津科技大学;2002年

4 田慕玲;基于小波分析的异步电机故障诊断[D];太原理工大学;2006年

5 张岳;多传感器信息融合技术在电机故障诊断中的应用研究[D];兰州理工大学;2014年

6 刘亚军;基于小波分析和神经网络的电机故障诊断研究[D];中北大学;2009年

7 刘冬生;基于小波分析和神经网络的电机故障诊断系统研究[D];天津理工大学;2009年

8 李海;基于EMD和特征融合的电机故障诊断[D];浙江大学;2013年

9 梁国荣;基于噪声源估计的电机故障诊断研究[D];广东工业大学;2013年

10 杨博;基于ARM的嵌入式电机故障诊断系统[D];东华大学;2010年

本文编号：2017588